传统的基于数据驱动的间歇过程故障诊断方法往往需要对过程数据的分布进行假设，而且对非线性等复杂数据的监控往往会出现误报和漏报，为此提出一种基于长短期记忆网络（LSTM）与批规范化（BN）结合的监督学习方法，不需要对原始数据的分布进行假设。首先，对间歇过程原始数据运用一种按变量展开并连续采样的预处理方式，使处理后的数据可以向LSTM单元输入；然后，利用改进的深层LSTM网络进行特征学习，该网络通过添加BN层，结合交叉熵损失的表示方法，可以有效提取间歇过程数据的特征并进行快速学习；最后，在一类半导体蚀刻过程上进行仿真实验。实验结果表明，所提方法比多元线性主成分分析（MPCA）方法故障识别的种类更多，可以有效地识别各类故障，对故障的整体检测率达到95%以上；比传统单层LSTM模型建模速度更快，且对故障的整体检测率提高了8个百分点以上，比较适合处理间歇过程中具有非线性、多工况等特征的故障检测问题。

通过分析车用自组织网络(VANET)在道路交通领域中的应用现状，根据VANET的特点及其消息传输过程中面临的挑战，针对以往算法较难准确进行空间建模并较少考虑社会行为的规律性特征的问题，提出了一种基于车辆历史行为统计的消息路由方案——HBSR，具体分为计算车辆之间的连通性的节点连通算法，计算源节点和目的节点间可达时段数的拓扑重叠算法，选择消息转发路径的路径选择算法和丢包策略四部分。通过在ONE仿真平台上将其和一些典型的路由算法进行比较，实验证明HBSR方案能够更有效地在VANET中找到消息转发路径，在送达时延明显降低的同时交付率有显著提高，并且表现相对稳定。

针对城市车载自组织网络拓扑的动态性，现有消息传播方案单个车辆较难在某路边接入点(AP)通信范围内完全进行文件下载，具有只能在等待下个AP进行文件通信的长时延局限性，提出利用多个车辆在多个空闲AP通信范围内协同地对同一文件进行分片下载传播，将消息送达时延分为直接相遇时延和间接相遇时延分别进行讨论，并给出了具体的消息携带车辆选择方案。通过对实验结果中消息丢包率和时延分析说明，在环境中加入该方案能够有效提高文件下载的可靠性，减少下载到目的车辆的时延，不会使网络产生较大的额外负载。

提出了一种在Windows平台下检测未知病毒的新方法,以PE文件调用的WinAPI序列为特征，运用支持向量机分类来检测未知病毒。实验结果表明，所实现BK50系统对未知病毒具有较好的识别效果。